基于局部中频Gabor滤波器组的人脸识别.pdf

本文主要探讨了一种创新的人脸识别方法，即基于局部中频Gabor滤波器组的人脸识别技术。针对传统Gabor滤波器在人脸识别过程中特征提取时间较长、计算量大的问题，该方法提出了一种利用局部Gabor滤波器组来提取人脸图像的中频特征。 文章介绍了局部中频Gabor滤波器组的构建过程。通过选取Gabor滤波器在中频带的部分，可以构建出能够更有效地捕捉人脸图像特征的滤波器组。这种方法旨在优化传统Gabor滤波器的性能，减少特征提取的时间消耗和计算复杂度。 接下来，文章阐述了如何提取局部Gabor中频特征。利用这些滤波器对人脸图像进行处理，能够得到反映人脸形状、纹理等关键信息的中频特征。中频特征的选择是因为它能更好地捕获人脸的结构信息，同时避免了高频噪声和低频背景信息的影响。 为了进一步提升识别效果，文章提出了采用线性判别分析（LDA）进行特征降维和优化。LDA是一种统计学方法，用于寻找最佳的分类超平面，从而将高维特征空间中的样本映射到一个低维空间，使得类别间的距离最大化，类内距离最小化。在本研究中，LDA被用来提取Fisher特征，即Gabor+Fisher特征，这有助于提高识别的准确性。 通过最近邻分类算法进行人脸识别。最近邻法是一种基于实例的学习方法，它根据测试样本与训练集中的样本之间的距离来决定分类。由于采用了降维后的Gabor+Fisher特征，这种方法能够在保持较高识别率的同时，显著减少计算复杂度。 实验结果表明，基于局部中频Gabor滤波器组的人脸识别方法相比传统的Gabor特征提取方法，特征维度降低了40%，特征提取速度得到提升，且在ORL和AR两个常用的人脸数据库上，识别率有明显提高。这验证了该方法的有效性和实用性。 总结来说，该研究提出了一种改进的人脸识别策略，通过局部中频Gabor滤波器组和LDA相结合，实现了快速且准确的特征提取和人脸识别。这种方法对于人脸识别领域的研究具有重要的参考价值，尤其是在处理大容量数据和实时应用时，其优势更为明显。